1.一种基于多特征融合的多类运动想象脑电信号识别方法，其特征在于，包括以下步骤：第一步，进行运动想象脑电信号数据采集，对采集的信号进行数据预处理；

第二步，对预处理后的脑电信号采用AR模型法分析，提取脑电信号的时域特征；

第三步，使用变分模态分解－双谱分析法，对运动想象脑电信号进行频域特征提取；

第四步，使用共空间模式分析法提取运动想象脑电信号在空间域内的特征；

第五步，将二、三、四步提取的时域、频域、空域特征联合，构造一类运动想象的联合特征向量；

第六步，重复进行二到五步，提取各类运动想象所有样本信号的联合特征向量，构造联合特征矩阵；

第七步，对联合特征矩阵进行核主元分析，按照累计贡献率大于85%的原则选取主元个数，将样本数据向新的主元空间投影得到降维后的融合特征矩阵；

第八步，将融合特征作为训练数据输入到孪生支持向量机，并利用蝙蝠算法优化的孪生支持向量机进行参数寻优，完成分类器的训练；

第九步，针对测试数据，按二、三、四、五的处理过程构造联合特征向量，并向新的主元空间投影，得到融合特征向量，将融合特征向量输入到训练好的分类器实现运动想象脑电信号的识别。

2.根据权利要求1所述的基于多特征融合的多类运动想象脑电信号识别方法，其特征在于，所述第一步中对运动想象脑电信号的数据预处理过程，是在 类运动想象实验中，选取第 类单次运动想象的 个通道采集到的脑电信号 ，进行分析， 的表达式如下：

利用共平均参考和Butterworth带通滤波对采集到的多类运动想象脑电信号进行数据预处理，共平均参考计算方法是从所选通道中减去所有通道的平均值，计算公式为：式中： 为经过共平均参考处理后的单通道脑电信号；

经过预处理后的脑电信号为：

。

3.根据权利要求1所述的基于多特征融合的多类运动想象脑电信号识别方法，其特征在于，所述第二步时域特征提取方法的具体步骤为：步骤1：采用 阶AR模型拟合 ，公式为：

其中 为AR模型的系数， 为均值为0，方差为的白噪声残差，提取模型系数 作为通道特征；

步骤2：对于选取的m个通道，求取每一通道的AR模型，并将模型系数作为该通道信号的特征，构造对应运动想象的时域特征向量 ，表达式如下：。

4.根据权利要求1所述的基于多特征融合的多类运动想象脑电信号识别方法，其特征在于，所述第三步频域特征提取方法的具体步骤为：步骤1：对 进行变分模态分解，分解为 个IMF分量；变分模态分解是通过迭代搜索获取约束变分模型的最优解，自动获取固有模态函数的中心频率及带宽， 的约束变分模型具体如下：式中： 和 分别为IMF分量集和IMF分

量集对应的中心频率集；

用交替方向乘数法迭代更新 ， ，求解增广拉格朗日函数的鞍点，不断更新 ， ，满足给定的判定表达式则迭代终止；

步骤2：对IMF分量个数基于中心频率进行筛选，根据不发生过分解现象的原则，确定IMF分量个数 ，具体为当分解为 个分量时，第 个分量的中心频率与第 个分量的中心频率的差值，和第 个分量的中心频率与第 个分量的中心频率的差值在同一个数量级时，则分解为 个分量出现了过分解，选择分解为 个IMF分量；

步骤3：对变分模态分解出的 个IMF分量进行双谱分析，分析过程如下：设 为变分模态分解出的IMF分量，根据信号的离散傅里叶变换，双谱定义为：

式中 为频率变量； 为 中每个IMF分量的离散傅里叶变换；

； 为数学期望，采用间接法进行双谱估计，首先估计所得的IMF分量的三阶累积量，然后对该累积量进行二维的离散傅里叶变换，这样就得到了IMF分量的双谱估计；

步骤4：计算双谱平面主域中所有 的绝对对数之和作为频域特征，双谱特征的数学表达公式如下：步骤5：利用变分模态分解－双谱分析法提取所选m个通道的频域特征，并且对提取到的频域特征进行信号平滑以及归一化处理，归一化处理公式如下所示：其中 是经过信号平滑及归一化后的双谱特征， 是所选m个通道提取出来的双谱特征向量， 表示 的数据长度，min和max是计算最大值和最小值的运算符；

构造的频域特征向量 形式如下所示：

。

5.根据权利要求1所述的基于多特征融合的多类运动想象脑电信号识别方法，其特征在于，所述第四步空域特征提取方法的具体步骤为：步骤1：求取 的规范化协方差矩阵为：

其中 表示矩阵的对角线元素的和；

步骤2：对每一类所有的样本数据的归一化协方差矩阵求平均值作为该类数据的平均归一化空间协方差矩阵 ，则任意两类样本数据的混合空间协方差矩阵为：

其中 是规范化特征值的对角矩阵，并且对角线上的特征值按照递减的顺序排列， 是每列对角矩阵元素对应的特征向量矩阵；

构造白化矩阵并转化为协方差矩阵，首先构造白化矩阵 和空间系数矩阵 ：其中 和 有共同的特征向量；

最后对 和 进行特征值分解：

其中 是特征向量矩阵，它的每列是相应的特征向量， 中的特征值按升序排列时，的特征值就是按降序排列的，两个特征值对角矩阵之和为单位矩阵，即 ，选取特征向量矩阵的前 行和后 行构成矩阵 ，其中 ；

步骤3：构造空间滤波器，由于两类任务的特征值和恒等于1，矩阵 特征值最大时，的特征值最小，所以：对 类问题进行分类时，对任意两类样本数据都计算一个投影矩阵，对于 ，将通过 构造的空间滤波器矩阵与

相乘，就得到变换到共空间中的特征：

表示单个样本的模式特征矩阵，其中一行表示一个通道上的特征分布情况，提取每个通道的脑电信号的特征，再对特征值进行对数运算，空域特征向量 的计算公式如下：式中 表示方差；

将每类动作构建的空间滤波器得到的空域特征向量横向拼接，得到空域特征向量 ：。

6.根据权利要求5所述的基于多特征融合的多类运动想象脑电信号识别方法，其特征在于，所述第五步具体步骤为：步骤1：构造联合特征向量，将时、频、空域特征向量依次首位相连，构造如下所示的联合特征向量：联合特征向量 为同一个样本数据，采用不同信号处理方法提取的各域内特征的联合，为一维度为 的特征向量。

7.根据权利要求1所述的基于多特征融合的多类运动想象脑电信号识别方法，其特征在于，所述第六步具体步骤为：构造联合特征矩阵，将选取的 个样本数据按步骤一的方法构造 联合特征矩阵 ：矩阵的每行代表一个样本的联合特征向量。

8.根据权利要求1所述的基于多特征融合的多类运动想象脑电信号识别方法，其特征在于，所述第七步核主元分析的具体步骤为：步骤1：通过核函数 将联合特征矩阵 投影到线性可分的高维空间中进行核主元分析，获得主成分系数矩阵 ：在主成分分析的同时可以得到样本协方差矩阵，它由特征值构成列向量，并且特征值按降序排列，可得特征值 和相应的特征向量 ；

步骤2：比值 反映了生成特征空间中第 个主元的贡献率，根据特征值方差累计贡献率公式确定核主元个数 ，计算公式如下：选择累计贡献率超过85%的前 个主元，其中 ,因此主成分系数矩阵变为：将每个样本构造的联合特征向量 向新的主元投影，就得到降维后的融合特征向量，投影方法如下：。

9.根据权利要求1所述的基于多特征融合的多类运动想象脑电信号识别方法，其特征在于，所述第八步具体步骤为：将所有样本降维后的特征向量作为训练集输入到孪生支持向量机中进行分类器的训练，并使用蝙蝠算法对孪生支持向量机的参数惩罚因子 、惩罚因子 、和核参数 进行寻优，并以优化后的 、 、 建立分类模型；

设置相关参数，包括蝙蝠种群数 、最大迭代次数 、觅食空间维数 ；随机产生蝙蝠的位置 和速度 ，蝙蝠的 位置 代表TWSVM的三个参数惩罚因子 、惩罚因子 、和核参数 ，评估蝙蝠的个体适应度，并且找出当前时刻的最优解 ，适应度最大的蝙蝠个体即为全局最优解，本发明将惩罚因子 和核参数 交叉验证所得的识别准确率作为评价适应度的标准，定义为：将蝙蝠种群位置代入评价适应度函数中，不断更新最优蝙蝠个体对应的位置，直到满足迭代终止条件，记录下最优的参数值，将全局最优参数带代入孪生支持向量机，完成分类器模型的训练。

10.根据权利要求8所述的基于多特征融合的多类运动想象脑电信号识别方法，其特征在于，所述第九步测试数据识别具体步骤为：步骤1：将采集的数据分为训练与测试两类，用训练数据训练孪生支持向量机，测试数据用于测试分类效果；对于测试数据，按照第一、二、三、四步的方法对测试数据进行预处理和多域特征提取；

步骤2：构造出联合特征向量 ，然后向第五步得到的主成分系数矩阵投影，得到融合特征向量 ，具体公式如下：步骤3：将得到的融合特征向量输入到训练好的分类器中进行多类运动想象脑电信号的识别。